Uczenie i dostrajanie
Dobór hiperparametrów
Hyperparameter tuning
Inne nazwy i skróty: strojenie hiperparametrów, optymalizacja hiperparametrów.
Co to jest dobór hiperparametrów?
Poszukiwanie odpowiednich ustawień procesu uczenia lub architektury, na przykład współczynnika uczenia i rozmiaru partii.
Ocenia się je zwykle na danych walidacyjnych; nie należy wybierać ustawień na podstawie wyników końcowego zbioru testowego.
Przykład zastosowania
Analityk porównuje kilka wartości tempa uczenia na zbiorze walidacyjnym i wybiera najbardziej stabilny wariant.
O czym pamiętać?
Nie należy dobierać ustawień na końcowym zbiorze testowym.
Powiązane pojęcia
- Parametry modelu (Model parameters)
- Uczenie maszynowe (Machine learning)